数据结构与算法学习笔记一： 时间复杂度空间复杂度

  这篇主要讲解时间复杂度、空间复杂度概念。

复杂度分析

  数据结构和算法解决的是“快”和“省”的问题。即如何让代码运行的更快，如何让代码更省存储空间。因此代码的执行效率是一个非常重要的考量指标，那如何来衡量代码的执行效率呢？我们可以用时间复杂度、空间复杂度来对代码的执行效率、性能进行评估，也就是算法的复杂度分析。

算法的复杂度分析主要包含两个方面：
  时间复杂度分析
  空间复杂度分析

为什么要进行复杂度分析？
1.和性能测试相比，复杂度分析不依赖执行环境、成本低、效率高、易操作、指导性强的特点。
2.掌握复杂度分析，将能编写出性能更优的代码，有利于降低系统开发和维护成本。

时间复杂度表示法

  算法的执行效率，就是算法代码执行的时间，下面演示在不直接运行代码的前提下粗略的计算执行时间。

int sum(int n){
	int sum = 0; // 执行一遍
	for(int i = 1; i <=n; ++i){   // 执行n遍
		sum = sum + i; // 执行n遍
	}
	
	return sum;
}

假设每行代码执行时间都一样为: timer, 此代码的执行时间为：(2n+1)*timer。

int sum(int n){
	int sum = 0; //执行一遍
	for(int i = 1; i <= n; ++i){  //执行n遍
		for(int j = 1; j <= n; ++j) {  //执行n*n遍
			sum = sum + i * j;//执行n*n遍
		}
	}
}

同理： 此代码的执行时间为：(2n*n + n + 1) * timer

因此： 代码的执行时间T(n)与每行代码的执行次数n 成正比，可以把这本规律总结成一个公式。

T(n) = O(f(n))

解释一下:
  T(n) 表示代码的执行时间，n表示数据规模的大小，f(n)表示了代码执行次数的总和，它是一个公式因此用f(n)表示，O表示了代码执行时间与f(n)成正比。
因此第一个例子中的T(n) = O(2n + 1),第二个例子中的T(n) = O(2n*n + n + 1)，这就是大O时间复杂度表示法。
大O时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫渐进时间复杂度，简称时间复杂度。

当n很大时，公式中的低阶，常量，系数三部分并不左右其增长趋势，因此可以忽略，我们只需要记录一个最大的量级就可以了，因此如果用大O表示刚刚的时间复杂度
可以记录为： T(n) = O(n), T(n) = O(n*n)

时间复杂度分析方法：

1. 代码循环次数最多原则：
   分析一个算法或者一个代码的世界复杂度时，只需关注循环执行次数最多的那一段代码即可。
2. 加法原则：
   代码中有两段代码，复杂度分别为O(n) 和O(nn) 其结果本应该是: T(n) = O(n) + O(nn);我们取其中最大的量级，因此整段代码的复杂度为O(n*n).
   也就是说：总的时间复杂度就等于量级最大的那段代码的世界复杂度。
3. 乘法原则：
   嵌套代码的复杂度等于嵌套内外代码复杂度的乘积，

常见的时间复杂度

1. O(1)
O(1)并不是指代码只有一行，它是一种常量级复杂度的表示方法，比如说有一段代码如下:

  public void test01(){
     int i = 0;
	 int j = 1;
	 return i + j;
  }

代码只有三行，它的复杂度也是O(1),而不是O(3)

再看如下代码：

  public void test02(){
	int i = 0;
	int sum = 0;
	for(; i < 100; i++){
		sum = sum + i;
	}
    System.out.printLn(sum);
  }

整个代码中因为循环次数是固定的就是100次，这样的代码复杂度我们认为也是O(1)

2. O(n)

  public void test03(int n){
	int i = 0;
	int sum = 0;
	for(; i < n; i++){
		sum = sum + i;
	}
    System.out.printLn(sum);
  }

3. O(logn), O(nlogn)
对数阶的复杂度非常的常见，但同时也是很难分析的一种复杂度。

//复杂度为： O(logn)
public void test04(int n){
	int i = 1;
	while(i <= n){
		i = i * 2;
	}
}

//复杂度为： O(nlogn)
public void test06(int n){
	int i = 0;
	for(; i <= n; i++) {
	 test04(n);
	}
}

空间复杂度

  时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系，类似的，空间复杂度全称是渐进空间复杂度，表示算法占用的存储空间与数据规模之间的增长关系。

用一段代码说明:

 void print(int n){
	int i = 0;
	int[] a = new int[n];
	for(i; i < n; ++i){
		a[i] = i * i;
	}
	
	for(i = n -1; i >= 0; --i){
	    System.out.println(a[i]);
	} 
 }

代码第二行，申请一个空间存储变量i，但是是常量阶的，跟数据规模n没有关系，第三行申请了一个大小为n的int数组，
此外后面的代码几乎没有占用更多的空间，因此整段代码的空间复杂度就是O(n)。

我们常见的空间复杂度就是O(1)，O(n)， O(n*n)，其他对数阶的复杂度几乎用不到，因此空间复杂度比时间复杂度分析要简单的多，因此掌握这些足够。